基于TensorFlow的车牌字符识别方法

孟祥环, 罗素云, 张玉祖, 陈 亚, 陈思涛

(上海工程技术大学 机械与汽车工程学院, 上海 201620)

传统的车牌字符识别方法主要有3种,分别为基于模板匹配的字符识别、基于特征分析的字符识别和基于神经网络的字符识别[1-3].模板匹配法的关键是判断待识别字符矩阵和模板库中标准字符矩阵的相似程度,得到的图像矩阵即两个字符矩阵图像的相似度,也是字符识别的判别依据.实际应用中因采集到的字符图像容易受角度和噪声的影响,该方法的识别准确率并不高[4].基于特征分析的车牌字符识别方法首先对待识别图像提取统计特征,特征提取以汉字的笔画特征结构为依据,然后按照一定标准所确定的决策函数进行决策分类,最终将识别的偏旁部首整合到一起组成汉字[5].

深度学习技术的快速发展为解决目标检测和识别提供了新思路.在车牌字符识别方面,卷积神经网络(CNN)可以有效地从大量样本中学习到相应的特征,相比其他算法可避免复杂的特征提取过程,越来越多地被相关研究人员关注.

鲁扬[6]通过搭建8层卷积神经网络模型,采用线性整流函数(Rectified Linear Unit,ReLU)作为激活函数来提高模型收敛速度,把采集到的全国的原始车牌图片进行预处理后投入卷积神经模型进行训练,得到比较好的训练效果.李兵等[7]提出一种基于Gabor滤波特征提取的反向传播(Back Propagation,BP)神经网络字符识别算法,采用Gabor滤波提取特征,利用BP神经网络良好的学习机制、快速……